TED2007
Hod Lipson: Building "self-aware" robots
Hod Lipson "bilinçli" robotlar yapıyor
Filmed:
Readability: 3.1
1,460,460 views
Hod Lipson öğrenebilen, kendi kendini anlayan ve hatta kendisini kopyalayabilen enteresan robotlarından birkaçını sergiliyor.
Hod Lipson - Roboticist
Hod Lipson works at the intersection of engineering and biology, studying robots and the way they "behave" and evolve. His work has exciting implications for design and manufacturing -- and serves as a window to understand our own behavior and evolution. Full bio
Hod Lipson works at the intersection of engineering and biology, studying robots and the way they "behave" and evolve. His work has exciting implications for design and manufacturing -- and serves as a window to understand our own behavior and evolution. Full bio
Double-click the English transcript below to play the video.
00:25
So, where are the robots?
0
0
2000
Peki, nerede o robotlar?
00:27
We've been told for 40 years already that they're coming soon.
1
2000
3000
40 yılı aşkın süredir çok yakında gelecekleri söylenen robotlar.
00:30
Very soon they'll be doing everything for us.
2
5000
3000
Çok yakında bizim için herşeyi yapıyor olacaklar.
00:33
They'll be cooking, cleaning, buying things, shopping, building. But they aren't here.
3
8000
5000
Yemek, temizlik, alışveriş, inşaat yapıyor olacaklar. Ama hala ortalıkta yoklar.
00:38
Meanwhile, we have illegal immigrants doing all the work,
4
13000
4000
Bu arada kaçak göçmenler tüm bu işleri yapıyorlar,
00:42
but we don't have any robots.
5
17000
2000
ama ortada hiç robot yok.
00:44
So what can we do about that? What can we say?
6
19000
4000
Peki bu konuda ne yapabiliriz? Ne diyebiliriz?
00:48
So I want to give a little bit of a different perspective
7
23000
4000
O yüzden ben belki biraz farklı bir bakış açısıyla yaklaşarak
00:52
of how we can perhaps look at these things in a little bit of a different way.
8
27000
6000
bu duruma nasıl daha farklı bir şekilde bakabileceğimizi anlatacağım.
00:58
And this is an x-ray picture
9
33000
2000
Gördükleriniz bir böcekle, 1988'den kalma
01:00
of a real beetle, and a Swiss watch, back from '88. You look at that --
10
35000
5000
isveç yapımı bir kol saatinin röntgenleri. Bunlara şimdi baktığınızda görünen ile,
01:05
what was true then is certainly true today.
11
40000
2000
o zaman bakıldıığında görünen aynı.
01:07
We can still make the pieces. We can make the right pieces.
12
42000
3000
Hala aynı parçaları üretebiliyoruz, doğru parçarları yapıyoruz,
01:10
We can make the circuitry of the right computational power,
13
45000
3000
gerekli işlem gücü için devreleri üretebiliyoruz,
01:13
but we can't actually put them together to make something
14
48000
3000
ama aslında, hakikaten çalışacak ve bu sistemler gibi uyumlu olabilecek
01:16
that will actually work and be as adaptive as these systems.
15
51000
5000
birşey ortaya çıkarmak için bu parçaları düzgünce birleştiremiyoruz.
01:21
So let's try to look at it from a different perspective.
16
56000
2000
Öyleyse bunlara başka bir yönden bakmayı deneyelim.
01:23
Let's summon the best designer, the mother of all designers.
17
58000
4000
Tüm tasarımcıların atası, en iyi tasarımcıyı çağıralım o zaman:
01:27
Let's see what evolution can do for us.
18
62000
3000
değişimin bizim için neler yapabileceğine bir bakalım.
01:30
So we threw in -- we created a primordial soup
19
65000
4000
Biz de kalıplar, motorlar ve sinir hücreleri gibi
01:34
with lots of pieces of robots -- with bars, with motors, with neurons.
20
69000
4000
robot parçalarını birbirine karıştırdık ve ilkel bir çorba yaptık.
01:38
Put them all together, and put all this under kind of natural selection,
21
73000
4000
Bunların hepsini bir araya koyduk ve bir çeşit doğal ayıklanma süreciyle
01:42
under mutation, and rewarded things for how well they can move forward.
22
77000
4000
mutasayona bıraktık ve ilerleme kabiliyetlerine göre onları ödüllendirdik.
01:46
A very simple task, and it's interesting to see what kind of things came out of that.
23
81000
6000
Çok basit bir işti ve onun sonucunda ne olacağını görmek enteresan oldu.
01:52
So if you look, you can see a lot of different machines
24
87000
3000
Baktığınızda, çok farklı makinaların ortaya çıktığını
01:55
come out of this. They all move around.
25
90000
2000
görebilirsiniz. Hepsi etrafta dolaşıyor,
01:57
They all crawl in different ways, and you can see on the right,
26
92000
4000
farklı şekillerde yol alıyor, ve sağ tarafta gördüğünüz gibi,
02:01
that we actually made a couple of these things,
27
96000
2000
biz bunlardan bir iki tane yaptık, ve onlar
02:03
and they work in reality. These are not very fantastic robots,
28
98000
3000
gerçekte de çalışıyorlar. Onlar pek muhteşem robotlar olmasalar da,
02:06
but they evolved to do exactly what we reward them for:
29
101000
4000
sonucunda bizim onları ödüllendirdiğimiz şeyi yapmak için geliştiler:
02:10
for moving forward. So that was all done in simulation,
30
105000
3000
ileri gitmek için. Aslında bunların hepsi canlandırmada yapılmıştı,
02:13
but we can also do that on a real machine.
31
108000
2000
ama biz bunu gerçek bir makinada da yapabiliriz.
02:15
Here's a physical robot that we actually
32
110000
5000
İşte burada gördüğünüz fiziksel bir robot,
02:20
have a population of brains,
33
115000
3000
ve o aslında bir makinanın üzerinde
02:23
competing, or evolving on the machine.
34
118000
2000
yarışan veya değişen bir beyine sahip.
02:25
It's like a rodeo show. They all get a ride on the machine,
35
120000
3000
Bu bir rodeo gösterisi gibi, herkes makinayı bir defa sürüyor
02:28
and they get rewarded for how fast or how far
36
123000
3000
ve makinayı ilerletme veya hızlandırma
02:31
they can make the machine move forward.
37
126000
2000
miktarlarına göre ödüllendiriliyor.
02:33
And you can see these robots are not ready
38
128000
2000
Ve görüldüğü gibi bu robotlar dünyayı ele geçirmek için
02:35
to take over the world yet, but
39
130000
3000
henüz hazır değiller, ama
02:38
they gradually learn how to move forward,
40
133000
2000
düzenli olarak nasıl ileri gidebileceklerini öğreniyorlar,
02:40
and they do this autonomously.
41
135000
3000
ve bunu kendi kendilerine yapıyorlar.
02:43
So in these two examples, we had basically
42
138000
4000
Bu iki örnekte de gördüğünüz gibi, temel olarak
02:47
machines that learned how to walk in simulation,
43
142000
3000
sanal ortamda yürümeyi öğrenen makinalarımız ve
02:50
and also machines that learned how to walk in reality.
44
145000
2000
aynı zamanda gerçek hayatta yürümeyi öğrenen makinalarımız var.
02:52
But I want to show you a different approach,
45
147000
2000
Ama ben size farklı bir yaklaşım göstermek istiyorum,
02:54
and this is this robot over here, which has four legs.
46
149000
6000
işte burada gördüğünüz 4 bacağı olan robotumuzun,
03:00
It has eight motors, four on the knees and four on the hip.
47
155000
2000
8 motoru var, 4 adet dizlerde ve 4 adet kalçada.
03:02
It has also two tilt sensors that tell the machine
48
157000
3000
Bunun yanında makinanın hangi yöne eğildiğini gösteren
03:05
which way it's tilting.
49
160000
3000
eğim algılayıcıları var.
03:08
But this machine doesn't know what it looks like.
50
163000
2000
Ama bu makina kendisinin neye benzediğini bilmiyor.
03:10
You look at it and you see it has four legs,
51
165000
2000
Siz ona bakıyor ve görüyorsunuz ki 4 bacağı var,
03:12
the machine doesn't know if it's a snake, if it's a tree,
52
167000
2000
ama makina kendisinin bir yılan mı yoksa bir ağaç mı
03:14
it doesn't have any idea what it looks like,
53
169000
3000
olduğunu bilmiyor, bu konuda hiç bir fikri yok,
03:17
but it's going to try to find that out.
54
172000
2000
ama bunu öğrenmek için uğraşacak.
03:19
Initially, it does some random motion,
55
174000
2000
İlk başlarda rastgele hareket ediyor
03:21
and then it tries to figure out what it might look like.
56
176000
3000
ve sonrasında nasıl göründüğünü anlamaya çabalıyor.
03:24
And you're seeing a lot of things passing through its minds,
57
179000
2000
Ve görüyorsunuz aklından bir sürü şey geçiyor,
03:26
a lot of self-models that try to explain the relationship
58
181000
4000
kendi kişisel modelini açıklamak için hareketleriyle algılaması
03:30
between actuation and sensing. It then tries to do
59
185000
3000
arasındaki bağlantıyı çözmeye çalışıyor. Sanki bir bilim adamı gibi
03:33
a second action that creates the most disagreement
60
188000
4000
ikinci bir adım atarak bu tahmini modeller arasında
03:37
among predictions of these alternative models,
61
192000
2000
kendisine en büyük kararsızlığı oluşturmaya
03:39
like a scientist in a lab. Then it does that
62
194000
2000
devam ediyor. Daha sonra bunları yaparak
03:41
and tries to explain that, and prune out its self-models.
63
196000
4000
kendisini açıklamaya çalışıyor ve çıkardığı modelleri sadeleştiriyor.
03:45
This is the last cycle, and you can see it's pretty much
64
200000
3000
Burada gördüğünüz ise son aşama ve görüyorsunuz ki nasıl göründüğünü
03:48
figured out what its self looks like. And once it has a self-model,
65
203000
4000
bir hayli anlamış durumda. Kendi modelini bir kere oluşturduktan sonra,
03:52
it can use that to derive a pattern of locomotion.
66
207000
4000
bu modeli bir hareket dizisi oluşturmak için kullanabilir.
03:56
So what you're seeing here are a couple of machines --
67
211000
2000
Burada görmekte olduğunuz birkaç makine,
03:58
a pattern of locomotion.
68
213000
2000
birbirini takip eden bir dizi hareket yapıyor.
04:00
We were hoping that it wass going to have a kind of evil, spidery walk,
69
215000
4000
Umuyorduk ki bir çeşit şeytani, örümceksi yürüyüş yöntemi olacak
04:04
but instead it created this pretty lame way of moving forward.
70
219000
4000
ama görüyoruz ki, ilerlemek için çok aksak bir yol geliştirdi.
04:08
But when you look at that, you have to remember
71
223000
3000
Ama bu robota bakarken ileri gitmek için hiç bir
04:11
that this machine did not do any physical trials on how to move forward,
72
226000
6000
fiziksel denemede bulunmadığını ve kendi fiziksel yapısını bilmediğini
04:17
nor did it have a model of itself.
73
232000
2000
aklınızdan çıkarmamanız gerekiyor.
04:19
It kind of figured out what it looks like, and how to move forward,
74
234000
3000
Bir şekilde kendi şeklini ve nasıl ilerleyebileceğini anlamaya çalıştı
04:22
and then actually tried that out.
75
237000
4000
ve çıkardığı yöntemle ilerlemeyi denedi.
04:26
(Applause)
76
241000
5000
(Alkışlar)
04:31
So, we'll move forward to a different idea.
77
246000
4000
Şimdi başka bir fikre doğru ilerleyelim.
04:35
So that was what happened when we had a couple of --
78
250000
5000
Bu gördükleriniz, birkaç şeyde olanlar --
04:40
that's what happened when you had a couple of -- OK, OK, OK --
79
255000
4000
Bu, birkaç şeyde olanlar -- Tamam,Tamam,Tamam --
04:44
(Laughter)
80
259000
2000
Gülüşmeler
04:46
-- they don't like each other. So
81
261000
2000
-- birbirlerini pek sevmiyorlar. Peki,
04:48
there's a different robot.
82
263000
3000
bu da başka bir robot.
04:51
That's what happened when the robots actually
83
266000
2000
Burada da robotları yaptıkları şeye göre
04:53
are rewarded for doing something.
84
268000
2000
ödüllendirildikten sonra olanlar.
04:55
What happens if you don't reward them for anything, you just throw them in?
85
270000
3000
Onları yaptıklarından dolayı ödüllendirmeyip sadece çorbaya dahil ederseniz ne olur?
04:58
So we have these cubes, like the diagram showed here.
86
273000
3000
Bu şekilde gördüğünüz gibi, küplerimiz var.
05:01
The cube can swivel, or flip on its side,
87
276000
2000
Bu küpler dönebiliyor veya olduğu yerde yere değen kenarını değiştirebiliyor,
05:04
and we just throw 1,000 of these cubes into a soup --
88
279000
4000
ve biz bu küplerden 1000 tanesini bir çorbaya attık --
05:08
this is in simulation --and don't reward them for anything,
89
283000
2000
canlandırma amacıyla -- ve onları ödüllendirmedik,
05:10
we just let them flip. We pump energy into this
90
285000
3000
sadece takla atmalarına izin verdik. Enerji pompalayarak
05:13
and see what happens in a couple of mutations.
91
288000
3000
bir iki değişimden sonra neler olduğunu görmek istedik.
05:16
So, initially nothing happens, they're just flipping around there.
92
291000
3000
İlk başta hiç birşey olmadı, sadece takla atıp durdular.
05:19
But after a very short while, you can see these blue things
93
294000
4000
Ama çok kısa süre sonra şu küçük mavi şeyler sağ tarafa
05:23
on the right there begin to take over.
94
298000
2000
doğru kaymaya başladılar.
05:25
They begin to self-replicate. So in absence of any reward,
95
300000
4000
Kendilerini kopyalamaya başladılar. Görüğünüz gibi,
05:29
the intrinsic reward is self-replication.
96
304000
3000
Ödül verilmezken asıl ödül kendini kopyalamak oluyor.
05:32
And we've actually built a couple of these,
97
307000
1000
Ardından bunlardan birkaç tane yaptık,
05:33
and this is part of a larger robot made out of these cubes.
98
308000
4000
ve bunlar daha büyük olan diğer bir robotun parçalarıydı.
05:37
It's an accelerated view, where you can see the robot actually
99
312000
3000
Bu bir hızlandırılmış gösterim ve robotu kendini kopyalama
05:40
carrying out some of its replication process.
100
315000
2000
işlemini sürdürürken görüyorsunuz.
05:42
So you're feeding it with more material -- cubes in this case --
101
317000
4000
Daha çok malzemeyle -- burada küpler ile mesela -- ve
05:46
and more energy, and it can make another robot.
102
321000
3000
enerjiyle besliyorsunuz, sonra başka bir robot oluşturuyor.
05:49
So of course, this is a very crude machine,
103
324000
3000
Tabi ki burada gördüğünüz çok kaba bir makina
05:52
but we're working on a micro-scale version of these,
104
327000
2000
ama biz mikro boyutlarda olanları üzerinde çalışıyoruz,
05:54
and hopefully the cubes will be like a powder that you pour in.
105
329000
3000
ve umudumuz toz gibi robotlar üretebiliyor olmak.
05:57
OK, so what can we learn? These robots are of course
106
332000
5000
Peki, ne öğrenebiliriz? Bu robotlar tabi ki
06:02
not very useful in themselves, but they might teach us something
107
337000
3000
tek başlarına pek yararlı değiller ama belki bize nasıl daha iyi
06:05
about how we can build better robots,
108
340000
3000
robotlar yapabileceğimiz konusunda ve belki insanoğlunun
06:08
and perhaps how humans, animals, create self-models and learn.
109
343000
5000
ve hayvanların nasıl kendi kopyalarını yapabilecekleri konusunda birşeyler öğretebilirler.
06:13
And one of the things that I think is important
110
348000
2000
Ve bence önemli olan şeylerden bir tanesi de
06:15
is that we have to get away from this idea
111
350000
2000
elle makinalar tasarlama
06:17
of designing the machines manually,
112
352000
2000
fikrinden uzaklaşmalıyız, ve onların
06:19
but actually let them evolve and learn, like children,
113
354000
3000
çocukmuş gibi kendilerini geliştirip öğrenmelerini sağlamalıyız,
06:22
and perhaps that's the way we'll get there. Thank you.
114
357000
2000
Belki bu şekilde başarıya ulaşabiliriz. Teşekkürler.
06:24
(Applause)
115
359000
2000
(Alkışlar)
Translated by Erdem Yildirimer
ABOUT THE SPEAKER
Hod Lipson - RoboticistHod Lipson works at the intersection of engineering and biology, studying robots and the way they "behave" and evolve. His work has exciting implications for design and manufacturing -- and serves as a window to understand our own behavior and evolution.
Why you should listen
To say that Hod Lipson and his team at Cornell build robots is not completely accurate: They may simply set out a pile of virtual robot parts, devise some rules for assembly, and see what the parts build themselves into. They've created robots that decide for themselves how they want to walk; robots that develop a sense of what they look like; even robots that can, through trial and error, construct other robots just like themselves.
Working across disciplines -- physics, computer science, math, biology and several flavors of engineer -- the team studies techniques for self-assembly and evolution that have great implications for fields such as micro-manufacturing -- allowing tiny pieces to assemble themselves at scales heretofore impossible -- and extreme custom manufacturing (in other words, 3-D printers for the home).
His lab's Outreach page is a funhouse of tools and instructions, including the amazing Golem@Home -- a self-assembling virtual robot who lives in your screensaver.
Hod Lipson | Speaker | TED.com